論文の概要: Explaining Neural Networks in Preference Learning: a Post-hoc Inductive Logic Programming Approach

• arxiv url: http://arxiv.org/abs/2604.06838v1
• Date: Wed, 08 Apr 2026 09:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.441677
• Title: Explaining Neural Networks in Preference Learning: a Post-hoc Inductive Logic Programming Approach
• Title（参考訳）: 推論学習におけるニューラルネットワークの説明--ポストホック帰納的論理プログラミングアプローチ
• Authors: Daniele Fossemò, Filippo Mignosi, Giuseppe Placidi, Luca Raggioli, Matteo Spezialetti, Fabio Aurelio D'Asaro,
• Abstract要約: 我々は、ニューラルネットワーク(NN)のようなブラックボックスモデルを近似するために、解答集合から学習することを提案する。 私たちは、ILASP.NETと近似することを目的としたNNのトレーニングに使用されるレシピのセットよりも、ユーザの好みに関するデータセットを作成しました。
• 参考スコア（独自算出の注目度）: 0.6721809579087009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose using Learning from Answer Sets to approximate black-box models, such as Neural Networks (NN), in the specific case of learning user preferences. We specifically explore the use of ILASP (Inductive Learning of Answer Set Programs) to approximate preference learning systems through weak constraints. We have created a dataset on user preferences over a set of recipes, which is used to train the NNs that we aim to approximate with ILASP. Our experiments investigate ILASP both as a global and a local approximator of the NNs. These experiments address the challenge of approximating NNs working on increasingly high-dimensional feature spaces while achieving appropriate fidelity on the target model and limiting the increase in computational time. To handle this challenge, we propose a preprocessing step that exploits Principal Component Analysis to reduce the dataset's dimensionality while keeping our explanations transparent. Under consideration for publication in Theory and Practice of Logic Programming (TPLP).
• Abstract（参考訳）: 本稿では,ニューラルネットワーク (NN) などのブラックボックスモデルを学習者の嗜好の特定の場合において近似するために,アンサーセットから学習することを提案する。 本稿では,ILASP(Inductive Learning of Answer Set Programs)を用いて,弱い制約を通した選好学習システムについて検討する。 私たちは、ILASP.NETと近似することを目的としたNNのトレーニングに使用されるレシピのセットよりも、ユーザの好みに関するデータセットを作成しました。 本実験では,NN のグローバルおよびローカルな近似器として ILASP について検討した。 これらの実験は、ターゲットモデルに適切な忠実さを達成し、計算時間の増加を制限しつつ、高次元の特徴空間に取り組みながらNNを近似するという課題に対処する。 この課題に対処するため、我々は主成分分析を利用して、説明を透過的に保ちながらデータセットの次元を小さくする前処理ステップを提案する。 論理プログラミングの理論と実践 (TPLP) の出版をめざして

関連論文リスト

• xDNN(ASP): Explanation Generation System for Deep Neural Networks powered by Answer Set Programming [1.1936305787902912]
  xDNN(ASP)は、グローバルな説明を提供するディープニューラルネットワークのための説明生成システムである。 予測タスクにおいて,xDNN(ASP)は高い精度を維持していることを示す。
  論文  参考訳（メタデータ） (2026-01-07T12:08:00Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Training Physics-Informed Neural Networks via Multi-Task Optimization for Traffic Density Prediction [3.3823703740215865]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習における新たな研究フロンティアである。 マルチタスク最適化(MTO)パラダイムに基づく新しいPINNトレーニングフレームワークを提案する。 提案手法を実装し,交通密度予測問題に対処するためのPINNの訓練に応用する。
  論文  参考訳（メタデータ） (2023-07-08T07:11:52Z)
• On the Generalization of PINNs outside the training domain and the Hyperparameters influencing it [1.3927943269211593]
  PINNは、解データを必要としない微分方程式の解をエミュレートするように訓練されたニューラルネットワークアーキテクチャである。 トレーニング領域外におけるPINN予測の挙動を実証分析する。 PINNのアルゴリズム設定が一般化のポテンシャルに影響を及ぼすかどうかを評価し,予測に対する各効果を示す。
  論文  参考訳（メタデータ） (2023-02-15T09:51:56Z)
• Less is More: Rethinking Few-Shot Learning and Recurrent Neural Nets [2.824895388993495]
  情報理論AEPに基づく信頼性学習の理論的保証を提供する。 次に、高効率なリカレントニューラルネット(RNN)フレームワークに焦点を当て、少数ショット学習のための縮小エントロピーアルゴリズムを提案する。 実験結果から,学習モデルのサンプル効率,一般化,時間的複雑さを向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-28T17:33:11Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
  本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。 NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。 NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
  論文  参考訳（メタデータ） (2020-12-09T13:02:44Z)
• Learning the Travelling Salesperson Problem Requires Rethinking Generalization [9.176056742068813]
  トラベリングセールスパーソン問題(TSP)のようなグラフ最適化問題に対するニューラルネットワークソルバのエンドツーエンドトレーニングは近年,関心が高まっている。 最先端の学習駆動アプローチは、自明に小さなサイズで訓練された場合、古典的な解法と密接に関係するが、実践的な規模で学習ポリシーを大規模に一般化することはできない。 この研究は、トレーニングで見られるものよりも大きいインスタンスへの一般化を促進する、原則化されたバイアス、モデルアーキテクチャ、学習アルゴリズムを特定するために、最近の論文を統一するエンドツーエンドのニューラルネットワークパイプラインを提示している。
  論文  参考訳（メタデータ） (2020-06-12T10:14:15Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。